207471014295778924_个人页

spring-flow框架

1. 检查有没有java进程，在linux中可以通过ps -ef|grep java来判断，在window中可以通过任务控制台来直接判断 2. 如果没有java进程，那表明确实没运行，如果有java进程，继续3 3. 如果有java进程，但相关代码没有执行到，加日志判断，看相关的日志

直接用java8中lamab表达式, flatMap, groupBy之后就可以得到每个单词出现次数的k-v对，然后再把生成的k-v对转换成一个个对象, 这个对象的类要实现comparable接口/重写equal和hashcode方法，toString方法，把生成的一个个对象放放一个TreeSet，然后输出即实现并按次数倒序排列

正常的字符串拼写，注意sql中的反引号，要做相关的转义

用spring-test框架搭建一个测试环境容器，在测试的spring容器中就可以对任何bean的接口进行测试，一般测试有如下几个步骤 beforeClass 创造数据 测试验证 afterClass 删除数据

可以实现一个事件的发生，多个监听者都可以听到，是一种典型的观察者模式，各个监听者的处理完全可以解耦，常见的注册事件有 1. java桌面应用AWT 2. spring框架中的事件

1. 用maven依赖别人项目中的二方 2. 直接下载别人项目中的类存放在自己项目的类路径上

1. 多进程之前的网络通信 2. 混合调用，java和c互调 3. 共享内存 4. 共享存储（数据库）

《深入分析java web》 <> 《深入剖析 Tomcat》 《Hbase权威指南》 《java 并发编程》 《effective java》 <<深入JVM>> 《大型网站的架构和设计》

反射，不到万不得已，强烈不建议这么做

国内有软考 1. 程序员 2. 软件设计师 3. 系统分析师

和其它培公司差别不大，如果真要学java，建议自学，毕竟java门槛不高，但要真正要把java学精, 建议还是多看计算机专业方面的书籍， 如，操作系统，计算机组成原理，数据结构，算法，分布式高分发编程，大型网站的架构和设计，大数据方面，多了解常见的java开源框架,不仅要会用，还要知其然，强烈建议有时间多看下spring， tomcat, ibatis, hadoop, hbase, mysql

个主要有如下一些方面： 1. 需求的分析和评估 2. 给出详细的技术方案，特别是项目中需要用到的那些技术，要了如指掌 3. 搭建和项目的开发和环境； 4. 协调各种资源 5. 为开发同学解决各种技术问题

1. 不能让外包开发做项目的核心，至少不能做与核心流程相关的模板 2. 分配给外包开发的同学的开发模块，就尽可能简单

java 启动的时候，JVM会查找类中的public static void main(String[] args)，如果找不到该方法就抛出错误NoSuchMethodError:main 程序终止，这是静态的原因如下： 1. main方法是静态的，JVM调用这个方法就不需要创建任何包含这个main方法的实例。 2. 如果main方法不声明为静态的，JVM就必须创建main类的实例，因为构造器可以被重载，JVM就没法确定调用哪个main方法。 静态方法和静态数据加载到内存就可以直接调用而不需要像实例方法一样创建实例后才能调用，main方法是静态的，那么它就会被加载到JVM上下文中成为可执行的方法

即应程序的启动方法 main方法，如下： public static void main(String args[]) { // 自己的代码 }

1. 从从微软官网下载JDBC驱动包 2. 从官网上下载数据库连接池的jar包（druid, c3p0, commonPool） 3. 配置sql数据源 4. 用jdbc, 或ibatis， hiberate配置步骤3中数据源 5. 创建链接，可以直接操作数据库

去java的官方下载相应的JDK文档，然后打开index.htm链接，找到你要的类的包名，再定位到具体的类，打开之后，就可以直接搜索你想要的api

想做开源赚钱不是每一目标，开源可以提高你个人在技术圈的影响力，有了影响力以后，赚钱根本就不是问题 如果想做开源，建议平台多看一些java开源框架的源码，spring, tomcat, ibatis, hadoop, hbase, actimveMq, 多学一些大师怎么写代码，然后可以做这些开源框架的commitor

第一步：用特征表达问题 我们先把特征放入weka.core.FastVector中 每个特征都包含在weka.core.Attribute类中 现在我们有 两个numeric 特征，一个 nominal 特征 (blue, gray, black) 和一个 nominal 类 (positive, negative) // Declare two numeric attributes Attribute Attribute1 = new Attribute(“firstNumeric”); Attribute Attribute2 = new Attribute(“secondNumeric”); // Declare a nominal attribute along with its values FastVector fvNominalVal = new FastVector(3); fvNominalVal.addElement(“blue”); fvNominalVal.addElement(“gray”); fvNominalVal.addElement(“black”); Attribute Attribute3 = new Attribute(“aNominal”, fvNominalVal); // Declare the class attribute along with its values FastVector fvClassVal = new FastVector(2); fvClassVal.addElement(“positive”); fvClassVal.addElement(“negative”); Attribute ClassAttribute = new Attribute(“theClass”, fvClassVal); // Declare the feature vector FastVector fvWekaAttributes = new FastVector(4); fvWekaAttributes.addElement(Attribute1); fvWekaAttributes.addElement(Attribute2); fvWekaAttributes.addElement(Attribute3); fvWekaAttributes.addElement(ClassAttribute); 第二步：训练分类器 需要训练集实例和分类器 我们先创建一个空的训练集（weka.core.Instances） 命名这个关系为 “Rel”（相当于文件名字） 属性模型使用第一步中定义的vector定义 初始化训练集容量为10 定义类属性为第一步向量中的第四个（classindex） // Create an empty training set Instances isTrainingSet = new Instances("Rel", fvWekaAttributes, 10); // Set class index isTrainingSet.setClassIndex(3); 现在用一个实例来填充训练集 // Create the instance Instance iExample = new Instance(4); iExample.setValue((Attribute)fvWekaAttributes.elementAt(0), 1.0); iExample.setValue((Attribute)fvWekaAttributes.elementAt(1), 0.5); iExample.setValue((Attribute)fvWekaAttributes.elementAt(2), "gray"); iExample.setValue((Attribute)fvWekaAttributes.elementAt(3), "positive"); // add the instance isTrainingSet.add(iExample); 最后，选择一个分类器（weka.classifiers.Classifier）并创建模型，我们使用朴素贝叶斯分类器（weka.classifiers.bayes.NaiveBayes） // Create a naïve bayes classifier Classifier cModel = (Classifier)new NaiveBayes(); cModel.buildClassifier(isTrainingSet); 第三步：测试分类器 我们已经创建并训练了一个分类器，现在来测试这个分类器。我们需要一个评估模型（weka.classifiers.Evaluation），把测试集塞进去试试效果如何。 // Test the model Evaluation eTest = new Evaluation(isTrainingSet); eTest.evaluateModel(cModel, isTestingSet); 评估模型可以输出一系列统计数据 // Print the result à la Weka explorer: String strSummary = eTest.toSummaryString(); System.out.println(strSummary); // Get the confusion matrix double[][] cmMatrix = eTest.confusionMatrix(); 第四步：使用这个分类器 // Specify that the instance belong to the training set // in order to inherit from the set description iUse.setDataset(isTrainingSet); // Get the likelihood of each classes // fDistribution[0] is the probability of being “positive” // fDistribution[1] is the probability of being “negative” double[] fDistribution = cModel.distributionForInstance(iUse);